Comparative Analysis of Machine Learning Techniques for Cervical Cancer Prediction

Dieses Kapitel vertieft sich in die vergleichende Analyse maschineller Lerntechniken zur Vorhersage von Gebärmutterhalskrebs und konzentriert sich auf Entscheidungsbäume, künstliche neuronale Netzwerke (ANN), Naive Bayes-Klassifikatoren, K-Nearest Neighbors (KNN) und Support Vector Machines (SVM). Die Studie bewertet diese Algorithmen unter Verwendung der Plattformen WEKA und Orange und liefert eine gründliche Beurteilung ihrer Vorhersagegenauigkeit, Sensitivität und Spezifität. Der Datensatz, der von Kaggle stammt, enthält eine Vielzahl wichtiger Merkmale und Elemente und stellt eine wertvolle Ressource zur Untersuchung dar. Die Forschung unterstreicht die Bedeutung der Auswahl des geeigneten Algorithmus auf Grundlage des Datentyps, der Komplexität des Problems und der Rechenanforderungen. Die experimentellen Ergebnisse zeigen, dass Decision Trees die höchste Genauigkeit erreichte, dicht gefolgt von KNN und SVM. Die Studie kommt zu dem Schluss, dass zwar jeder Algorithmus seine Vor- und Nachteile hat, die optimale Auswahl jedoch von Faktoren wie Datentyp, Problemkomplexität und den spezifischen Anforderungen der Anwendung abhängt. Diese Analyse liefert wertvolle Erkenntnisse für Praktiker und Forscher, die daran interessiert sind, datengestützte Ansätze im Gesundheitswesen und anderen Bereichen zu nutzen.